View of Pemodelan Kemisikinan di Indonesia dengan Generalized Method Momment Arellano dan Bond

(1)

PEMODELAN KEMISIKINAN DI INDONESIA

DENGAN GENERALIZED METHOD MOMMENT ARELLANO DAN BOND

Arya Fendha Ibnu Shina UIN Sunan Kalijaga, e-mail

:

Abstract

Poverty is one of the important indicators to see the success of a country's development. Every country will try optimally to reduce poverty. On the other hand poverty is one of the economic variables that is dynamic, meaning that the value of a variable is influenced by the value of other variables and also the value of the variables concerned in the past. The purpose of this study was to analyze the effect of lag from poverty indicators, GDP, Gini Index, HDI, and on poverty levels.

Based on the results of the study concluded that the lag coefficients of poverty and HDI indicators significantly influence the poverty of provinces in Indonesia. In addition, if there is an increase in HDI of 1% then in the short term it will cause a decrease in poverty of 1.747% and in the long term of 2.085

Keywords: Poverty, Dynamic Panel Data Regression, GMM Arellano-Bond

Abstrak

Kemiskinan adalah salah satu indikator yang penting untuk melihat keberhasilan pembangunan suatu negara. Setiap negara akan berusaha optimal untuk menekan tingkat kemiskinan. Di sisi lain kemiskinan merupakan salah satu variabel ekonomi yang bersifat dinamis artinya nilai suatu variabel dipengaruhi oleh nilai variabel lain dan juga nilai variabel yang bersangkutan di masa lalu. Tujuan penelitian ini adalah untuk menganalisis pengaruh lag dari indicator kemiskinan, PDRB, Indeks Gini, IPM, dan terhadap tingkat kemiskinan. Berdasarkan hasil penelitian disimpulkan bahwa koefisien lag indikator kemiskinan dan IPM berpengaruh signifikan terhadap kemiskinan provinsi-provinsi di Indonesia. Di samping itu, jika terdapat kenaikan IPM sebesar 1% maka secara jangka pendek akan menyebabkan penurunan kemiskinan sebesar 1,747 % dan secara jangka panjang sebesar 2,085.

Kata kunci: Kemiskinan, Regresi Data Panel Dinamis, GMM Arellano-Bond

(2)

I. PENDAHULUAN

Kemiskinan adalah suatu standar hidup yang rendah, yaitu adanya tingkat kekurangan materi yang dialami seseorang atau segolongan orang jika dibandingkan dengan standar kehidupan yang umum berlaku di dalam masyarakat. Standar hidup yang rendah ini akan berdampak terhadap tingkat kesehatan dan kehidupan sosial yang bersangkutan.

Berawal dari masalah kemiskinan, berbagai masalah sosial dan kriminal dapat terjadi. Oleh karena itu upaya pengentasan kemiskinan tetap menjadi tujuan pembangunan yang mendasar.

Sejalan dengan tujuan tersebut, berbagai kebijakan pembangunan telah dilakukan pada daerah yang relatif memiliki tingkat kemiskinan yang semakin naik dari tahun ke tahun.

Pertumbuhan ekonomi merupakan salah satu indikator keberhasilan perekonomian suatu negara. Pertumbuhan ekonomi suatu wilayah diukur menggunakan Produk Domestik Regional Bruto (PDRB). PDRB adalah jumlah nilai tambah barang dan jasa yang dihasilkan dari seluruh kegiatan pekonomian di suatu wilayah dalam satu tahun. Suliswanto (2010) mengatakan bahwa secara sepintas kinerja ekonomi Indonesia semakin baik, namun apabila dicermati ada indikasi bahwa pertumbuhan ekonomi tersebut bersifat semu (bubble economics). Hal tersebut ditandai dengan masih tingginya angka kemiskinan di Indonesia meskiun pertumbuhan PDB dikatakan bagus.

Pertumbuhan ekonomi yang tinggi belum tentu memberikan jaminan ketimpangan (Gini Ratio/ Indeks Gini) rendah. Beberapa negara berkembang mengalami pertumbuhan ekonomi yang tinggi (±7%/tahun), namun ketidakmerataan distribusi pendapatan dan kemiskinannya juga tinggi.

Teori pertumbuhan baru mengatakan bahwa peranan pemerintah sangat penting dalam meningkatkan pembangunan

kualitas sumber daya manusia. Peranan ini dapat berupa penciptaan regulasi oleh pemerintah bagi tercapainya tertib sosial (Mirza, 2012). Salah satu tolok ukur yang digunakan untuk melihat kualitas hidup manusia adalah Indeks Pembangunan Manusia (IPM). IPM diukur melalui kualitas tingkat Pendidikan, kesehatan dan ekonomi (daya beli). Melalui peningkatan ketiga indikator tersebut diharapkan akan terjadi penekanan tingkat kemiskinan.

Dalam melakukan penelitian mengenai kemiskinan suatu wilayah tidak cukup hanya menggunakan data cross section.

Data time series diperlukan karena perlu dilakukan pengamatan perilaku unit penelitian pada berbagai periode waktu.

Oleh karena itu dalam penelitian ini digunakan data panel.

Kemiskinan merupakan salah satu variabel ekonomi yang bersifat dinamis artinya nilai suatu variabel dipengaruhi oleh nilai variabel lain dan juga nilai variabel yang bersangkutan di masa lalu.

Dengan demikian dalam penelitian ini akan digunakan model regresi data panel dinamis. Model regresi data panel dinamis juga dapat digunakan untuk menganalisa dampak jangka pendek dan jangka panjang dari suatu kebijakan ekonomi. Pada model data panel dinamis terdapat lag dari variabel dependen yang berkedudukan sebagai variabel eksplanatori. Variabel ini berkorelasi dengan error. Dengan demikian estimasi menggunakan OLS akan menghasilkan estimator yang bias dan tidak konsisten. Untuk mengatasi hal tersebut, metode estimasi yang akan digunakan adalah GMM Arellano-Bond.

GMM Arellano-Bond menghasilkan

estimator yang tak bias, konsisten, dan

efisien. Berdasarkan uraian di atas, tujuan

penelitian ini adalah untuk menganalisis

pengaruh lag dari variabel kemiskinan,

PDRB, Indeks Gini, IPM, dan terhadap

tingkat kemiskinan.

(3)

II. METODE PENELITIAN 1. Sumber Data

Sumber data yang digunakan adalah data sekunder dari BPS Indonesia tahun 2012 sampai dengan 2017 meliputi 34 provinsi.

Pengolahan data dilakukan menggunakan aplikasi ekonometrika yaitu software Stata.

2. Spesifikasi Model

Spesifikasi model kemiskinan dibangun berdasarkan model Cobb Douglas adalah sebagai berikut :

‘𝐻𝐶_𝑖,𝑡= 𝑃𝐷𝑅𝐵_𝑖,𝑡^𝛼¹ 𝐼𝐺_𝑖,𝑡^𝛼²

‘𝐼𝑃𝑀_𝑖,𝑡^𝛼³ 𝐻𝐶_{𝑖,𝑡−1}^𝛼⁴ 𝑒^𝑢^𝑖𝑡 (1)

‘𝑙𝑛𝐻𝐶_𝑖,𝑡 = 𝛼1𝑙𝑛𝑃𝐷𝑅𝐵𝑖,𝑡+ 𝛼2𝑙𝑛𝐼𝐺𝑖,𝑡

‘+𝛼₃𝑙𝑛𝐼𝑃𝑀_𝑖,𝑡+ 𝛼₄𝑙𝑛𝐻𝐶_{𝑖,𝑡−1}

‘+ 𝑢_𝑖𝑡 (2) Hipotesis :𝛼₁, 𝛼₃< 0 ; 𝛼₂, 𝛼₄> 0 Tabel 1. Definisi Operasional Masing-masing Variabel

Variabel Nama Variabel Keterangan

HC Head Count Presentase penduduk miskin

PDRB Produk Domestik

Regional Bruto

PDRB atas dasar harga konstan masing- masing provinsi (milyar rupiah)

IG Indeks Gini Indikator distribusi pendapatan IPM Indeks Pembangunan

Manusia

Pengukuran perbandingan dari harapan hidup, melek huruf, Pendidikan dan standar hidup untuk semua negara.

𝑖 Identity Provinsi-provinsi di Indonesia

𝑡 Time Periode waktu

𝑢𝑖𝑡 Error

𝑙𝑛 Logaritma Natural

3. Model Regresi Data Panel Dinamis Salah satu model yang sering digunakan untuk menggambarkan hubungan antar variabel ekonomi adalah model regresi data panel dinamis. Banyak variabel ekonomi bersifat dinamis artinya nilai suatu variabel dipengaruhi oleh nilai variabel lain dan juga nilai variabel yang bersangkutan di masa lalu. Model panel dinamis digambarkan dalam persamaan (1) di bawah ini ;

‘𝑦_𝑖,𝑡= 𝛿𝑦_{𝑖,𝑡−1}+ 𝒙_𝑖,𝑡^′ 𝜷 + 𝑢_𝑖,𝑡

‘𝑖 = 1,2, … , 𝑁;

‘𝑡 = 1,2, … 𝑇 (3)

dengan 𝛿 adalah skalar, 𝒙_𝑖,𝑡^′ adalah vektor variabel independen yang

berukuran 1 × 𝐾 , dan 𝜷 adalah vektor konstanta yang berukuran 𝐾 × 1 . Diasumsikan 𝑢

_𝑖𝑡

merupakan komponen error satu arah.

Diasumsikan 𝑒

_𝑖

~𝐼𝐼𝐷𝑁(0, 𝜎

_𝑒²

) dan 𝑣

_𝑖,𝑡

~𝐼𝐼𝐷𝑁(0, 𝜎

_𝑣²

) . Lai, dkk (2008) mengatakan bahwa dalam model regresi

panel dinamis koefisian 𝛽 adalah efek jangka pendek dari perubahan 𝑥

_𝑖,𝑡

. 𝛽 disebut sebagai short run multiplier.

Sedangkan (

^𝛽

(1−𝛿)

) adalah efek jangka panjang dari perubahan 𝑥

_𝑖,𝑡

atau disebut pula sebagai long run multiplier.

Apabila 𝑦_𝑖,𝑡 adalah fungsi dari 𝑢_𝑖,𝑡 akibatnya 𝑦_{𝑖,𝑡−1} juga merupakan fungsi dari 𝑢_𝑖,𝑡. Dengan kata lain, regressor pada sisi kanan (endogen eksplanatori) 𝑦_{𝑖,𝑡−1} berkorelasi dengan 𝑢_𝑖,𝑡 . Penggunakan metode estimasi panel statis seperti OLS pada model persamaan panel dinamis akan bias dan tidak konsisten (Baltagi, 2005).

4. Model Cobb Douglas

Fungsi Cobb-Douglas diperkenalkan oleh Knut Wicksell (1851-1926) dan kemudian diuji secara statistik oleh Charles Cobb dan Paul Douglas pada tahun 1982.

Pada tahun 1982 Charles Cobb dan Paul Douglas memodelkan pertumbuhan

(4)

ekonomi Amerika pada periode 1899-1922.

Mereka mengemukakan pandangan sederhana dalam ekonomi bahwa hasil produksi (production output) ditentukan oleh banyaknya tenaga kerja yang dilibatkan dan besarnya modal yang digunakan (invested). Fungsi Cobb-Douglas digambarkan pada persamaan berikut ini :

𝑃(𝐿, 𝐾) = 𝑐𝐿^𝑎𝐾^𝑏 (4) dimana :

𝑃 = total produksi (production/ output) 𝐿 = tenaga kerja (Labor)

𝐾 = modal (Capital) 𝑐 = konstanta

𝑎 = elastisitas dari tenaga kerja 𝑏 = elastisitas dari modal

Fungsi Cobb-Douglas sering dipakai oleh peneliti dalam penelitian di bidang ekonomi. Hal ini disebabkan penyelesaian fungsi Cobb-Douglas relatif mudah, yakni menggunakan transformasi logaritma.

Setelah dilogaritmakan, persamaan (4) menjadi:

lnP= c + a lnL+b lnK (5) dimana :

𝑃^∗= 𝑙𝑛𝑃 𝐿^∗= 𝑙𝑛𝐿

𝐾^∗= 𝑙𝑛𝐾.

Model (5) sudah linier. Koefisien regresi 𝑎 dan 𝑏 merupakan besaran elastisitas produksi, yaitu presentase perubahan output sebagai akibat berubahnya input sebesar satu persen. Sebagai contoh apabila 𝑎 = 0,15 maka berarti setiap kenaikan 1% tenaga kerja akan meningkatkan hasil produksi sekitar 0,15%.

5. Generalized Method Momment

Generalized Moethod of moment (GMM) adalah perluasan dari metode momen. GMM menyamakan momen kondisi dari populasi dan momen kondisi dari sampel. Masalah paling mendasar dari model data panel dinamis adalah adanya korelasi antara variable lag endogen (yang berposisi sebagai variabel eksplanatori) dengan galat, sehingga OLS akan menghasilkan estimasi yang bias dan tidak konsisten. Oleh karena itu digunakan metode estimasi GMM Arellano-Bond yang dapat menghasilkan estimasi parameter yang tak bias, konsisten, serta efisien. Hasil estimasi parameter pada persamaan (1) adalah sebagai berikut :

( 𝜹 ̂

𝜷 ̂) = [(𝑁

⁻¹

∑(𝚫𝒚

_{𝑖,𝑡−1}

, 𝚫𝒙

_𝒊

)

^′

𝑁

𝑖=1

𝒁

_𝑖

) 𝚲 ̂

^−𝟏

(𝑁

⁻¹

∑ 𝒁

_𝑖^′

(𝚫𝒚

_{𝑖,𝑡−1}

, 𝚫𝒙

_𝒊

)

𝑁

𝑖=1

)]

−1

[(𝑁

⁻¹

∑(𝚫𝒚

_{𝑖,𝑡−1}

, 𝚫𝒙

_𝒊

)

^′

𝑁

𝑖=1

𝒁

_𝑖

) 𝚲 ̂

^−𝟏

(𝑁

⁻¹

∑ 𝒁

_𝑖^′

Δ𝒚

_𝑖

𝑁

𝑖=1

)]. (4)

6. Uji Spesifikasi Model

Uji spesifikasi model yang digunakan menurut Arellano dan Bond (1991), adalah uji Arellano dan Bond (uji konsistensi) dan uji Sargan (uji validitas instrumen).

a. Uji Arellano dan Bond (AB Test) Arellano dan Bond (1991) mengusulkan suatu pengujian untuk menguji bahwa tidak terdapat korelasi serial orde kedua dari error pada persamaan first difference. ∆𝑣_𝑖𝑡 merupakan first differencing dari error yang tidak berkorelasi, 𝐸(∆𝑣_𝑖𝑡, ∆𝑣_𝑖𝑡−1) tidak harus bernilai nol, namun konsistensi estimator GMM bergantung pada asumsi 𝐸(∆𝑣_𝑖𝑡, ∆𝑣_𝑖𝑡−2) = 0 . Hipotesis null menyatakan bahwa ∆𝑣_𝑖𝑡 dan ∆𝑣_𝑖𝑡−2 tidak berkorelasi serial atau random walk.

Uji statistik Arellano dan Bond untuk korelasi serial komponen order ke−2 pada first differencing adalah sebagai berikut :

‘m(2) = ^∆𝒗^̂^{𝒊,𝒕−𝟐}^′ ^∆𝒗^̂^∗

(∆𝒗̂ )^𝟏^𝟐

𝑎̃ 𝑁(0,1) (5) dimana :

∆𝒗̂_{𝒊,𝒕−𝟐}^′ = vektor error pada lag ke−2 dengan orde 𝑞 = ∑^𝑁_𝑖=1𝑇_𝑖− 4

∆𝒗̂_∗^′ =vektor error terpangkas yang bersesuaian dengan ∆𝒗_{𝒊𝒕−𝟐} berukuran 𝑞 × 1

‘∆𝒗̂ = ∑^𝑵_𝒊=𝟏∆𝒗̂_{𝒊,𝒕−𝟐}^′ ∆𝒗̂_∗ ∆𝒗̂_∗^′∆𝒗̂_{𝒊,𝒕−𝟐}− 2∆𝒗̂_{𝒊,𝒕−𝟐}^′

‘𝚫𝒙[(𝚫𝒚_−𝟏, 𝚫𝒙)^′𝒁𝚲̂^−𝟏𝐙^′(𝚫𝒚^−𝟏^{, 𝚫𝒙)′}]⁻¹

‘[∑^𝑁_𝑖=1𝒁_𝑖^′𝚫𝒗_𝒊𝚫𝒗_𝒊∗′∆𝒗̂_{𝒊,𝒕−𝟐}] +∆𝒗̂_𝒕−𝟐^′ 𝚫𝒙 𝒂𝒗𝒂𝒓̂ (𝜹̂)𝚫𝒙′∆𝒗̂_𝒕−𝟐.

(5)

Hipotesis akan tolak 𝐻₀ jika 𝑍_{ℎ𝑖𝑡𝑢𝑛𝑔}>

𝑍_{𝑡𝑎𝑏𝑒𝑙}. Jadi konsistensi GMM ditunjukkan nilai statistik yang tidak signifikan (gagal tolak 𝐻₀) pada 𝑚₂.

b. Uji Sargan

Uji Sargan digunakan untuk mengetahui validitas variabel instrumen yang jumlahnya melebihi parameter yang diestimasi (kondisi overidentifying). Hipotesis nol menyatakan bahwa variabel instrumen tidak berkorelasi dengan eror yang berarti bahwa instrumen valid. Menurut Arellano dan Bond (1991), statistik uji Sargan adalah sebagai berikut :

‘𝑆 = 𝒗̂′𝒁(∑^𝑵_𝒊=𝟏𝒁_𝒊^′𝒗̂_𝒊𝒗̂_𝒊^′𝒁_𝒊)^−𝟏

‘𝒁′𝒗̂ 𝑎̃ 𝜒 _{𝐿−(𝑘+1)}² (6)

dengan 𝒁 merupakan matriks variabel instrumen, sedangkan 𝑣̂ adalah komponen error dari estimasi model. Statistik Uji 𝑆 berdistribusi asimtotik 𝜒_{𝐿−(𝑘+1)}² dengan 𝐿 adalah jumlah kolom matriks 𝒁 dan (𝑘 + 1) jumlah parameter yang diestimasi. 𝐻₀ akan ditolak jika nilai 𝜒_{𝐿−(𝑘+1)}² lebih besar dari khi quadrat tabel.

III. HASIL DAN PEMBAHASAN

Hasil pengolahan data menggunakan software Stata diringkas di dalam Tabel.2.

Dari hasil tersebut terdapat dua koeisien yang secara signifikan berpengaruh terhadap tingkat kemiskinan, yaitu lag dari variabel kemiskinan dan IPM.

Tabel 2. Hasil Estimasi Persamaan Regresi Data Panel Dinamis untuk Kemiskinan

lnHC Estimated Coefficients

Standard

Error Z P-Value Short-run Multiplier

Long-run Multiplier

lnHCt-1 0,162 0,058 2,77 0,006*

lnPDRB 0,007 0,007 1,08 0,281 0,007 0,008

lnIG 0,048 0,065 0,74 0,457 0,048 0,057

lnIPM -1,747 0,195 -8,94 0,000* -1,747 -2,085

AB Test Z P-Value

Arellano-

Bond m2 0,1353 0,8924

Sargan Test

17,143 P-Value = 0,249 Keterangan : *Signifikan pada α=0,01

Metode panel dinamis dengan pendekatan GMM Arellano-Bond telah memenuhi kriteria kekonsistensian estimator. Konsistensi estimastor pada persamaan struktural indikator kemiskinan (HC) ditunjukkan oleh hasil Arellano-Bond (AB) nilai statistik m2 sebesar 0,1353 dan nilai probabilitas sebesar 0,8924 tidak signifikan pada taraf nyata 1%. Kriteria kesempurnaan model dinamis dilihat dari estimasi sargan dengan nilai statistik sebesar 17,143 dan probabilitas 0,249 tidak signifikan pada taraf nyata 1%. Dengan demikian kondisi instrumen valid terpenuhi.

Tahap selanjutnya adalah interpretasi pada variabel-variabel yang signifikan mempengaruhi indikator kemiskinan provinsi-provinsi di Indonesia. Berdasarkan tabel 2 dapat disimpulkan bahwa koefisien lag indikator kemiskinan berpengaruh positif dan signifikan terhadap kemiskinan provinsi-provinsi di Indonesia. Dengan demikian dapat disimpulkan bahwa penduduk miskin pada tahun t didominasi oleh penduduk yang berstatus miskin pada tahun sebelumnya. Di sisi lain IPM bepengaruh negatif dan signifikan terhadap kemiskinan. Jika terdapat kenaikan IPM

(6)

sebesar 1% maka secara jangka pendek akan menyebabkan penurunan kemiskinan sebesar 1,747 % dan secara jangka panjang sebesar 2,085. Dengan demikian dapat disimpulkan bahwa pengaruh pengaruh peningkatan IPM terhadap penurunan kemiskinan secara jangka panjang lebih besar dari pada pengaruh jangka pendek

.

IV. KESIMPULAN DAN SARAN 1. Kesimpulan

Beberapa kesimpulan yang dapat diambil berdasarkan pembahasan yang telah diuraikan sebelumnya dan merujuk pada tujuan penelitian, yaitu:

a. Model regresi data panel dinamis sering ditemui dalam persamaan ekonomi.

Dalam model ini terdapat variabel endogen eksplanatori yaitu lag variabel dependen berkorelasi dengan error. Hal ini menyebabkan estimasi OLS pada regresi data panel dinamis menghasilkan penduga koefisien yang bias dan tidak konsisten. Untuk mengatasi permasalahan tersebut, digunakan Generalized Method of Moments Arellano and Bond untuk menghasilkan penduga koefisien yang tak bias, konsisten dan efisien.

b. Penerapan estimasi GMM Arellano- Bond pada analisis kemiskinan Indonesia menunjukkan bahwa koefisien lag indikator kemiskinan berpengaruh positif dan signifikan terhadap kemiskinan provinsi-provinsi di Indonesia. Dengan demikian dapat disimpulkan bahwa penduduk miskin pada tahun t didominasi oleh penduduk yang berstatus miskin pada tahun sebelumnya. Di sisi lain IPM bepengaruh negatif dan signifikan terhadap kemiskinan. Jika terdapat kenaikan IPM sebesar 1% maka secara jangka pendek akan menyebabkan penurunan kemiskinan sebesar 1,747 % dan secara jangka panjang sebesar 2,085.

2. Saran

Berdasarkan hasil analisis serta kesimpulan di atas, maka dapat dirumuskan beberapa saran untuk penyempurnaan berkelanjutan dari hasil penelitian ini sebagai berikut:

a.

Penelitian berikutnya difokuskan untuk mencari variabel-variabel eksogen lainnya yang berpengaruh signifikan terhadap pertumbuhan ekonomi dan menambah periode penelitian sehingga dihasilkan model yang memenuhi kriteria kesempurnaan model panel dinamis

V. DAFTAR PUSTAKA/REFERENSI [1] Arellano, M., dan Bond, S. (1991),

"Some Test of Specification for Panel Data : Monte Carlo Evidence and an Application to Employment Equations", The Review of Economic Studies , Vol.58, hal.277-297.

[2] Baltagi, B. H. (2005), Econometric Analysis of Panel Data, New York:

John Wiley dan Sons.

[3] Lai, T. L, Small, D.S dan Liu, J., (2008), "Statistical Inference in Dynamic Panel Data Models", Journal of Statistical Planning and Inference, Vol.138, hal.2763-2776.

[4] Mirza, D.S 2012, “Pengaruh Kemiskinan, Pertumbuhan Ekonomi, Dan Belanja Modal terhadap Indeks Pembangunan Manusia Di Jawa Tengah Tahun 2006-2009”, Economics Development Analysis Journal, 1 (1) (2012).

[5] Suliswanto, M. S. W., 2010

“Pengaruh Produk Dosestik Bruto (PDRB) dan Indeks Pembangunan Manusia (IPM) terhadap Angka Kemiskinan di Indonesia”, Jurnal Ekonomi Pembangunan, Vol 8, No.2, hal. 354-366.